CN110671092A - 油气产能检测方法及系统 - Google Patents
油气产能检测方法及系统 Download PDFInfo
- Publication number
- CN110671092A CN110671092A CN201910917091.8A CN201910917091A CN110671092A CN 110671092 A CN110671092 A CN 110671092A CN 201910917091 A CN201910917091 A CN 201910917091A CN 110671092 A CN110671092 A CN 110671092A
- Authority
- CN
- China
- Prior art keywords
- data
- oil
- gas
- productivity
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
Abstract
本发明公开了油气产能检测方法及系统,涉及油气藏勘探开发领域。该方法包括:将数值数据、类别数值数据和结构化数据分别输入到预设的混合神经网络模型中;通过多层感知机网络对数值数据和类别数值数据进行处理,得到第一输出结果;通过卷积神经网络对结构化数据进行处理,得到第二输出结果;通过全连接层和激活函数对第一输出结果和第二输出结果进行处理,得到油气井的产能。本发明适用于油气产能的评价,能够对数值数据、类别数据及结构化数据进行综合处理,能够充分挖掘不同类别数据的内在特征,进而准确建立输入数据与油气产能之间复杂的非线性映射关系,提高油气产能预测的精度与广泛适用性。
Description
技术领域
本发明涉及油气藏勘探开发领域,尤其涉及油气产能检测方法及系统。
背景技术
在油气藏勘探开发过程中,需要对油井的产能进行检测和评价,以便根据检测到的产能开展后续的勘探开发工作。
影响油气产能的因素非常多,例如孔隙度、渗透率、岩性、油气饱和度、速度、密度、岩石脆性、地层应力、孔隙压力等物性参数,以及压裂施工过程中的压裂级数、破裂压力、注砂量、排液量等施工参数,各种类型参数的呈现方式也有不同,有些物性参数以结构化形式的测井曲线保存,有些参数表现为数值型变量,另外一些则可能为定性类别型变量。
基于方程的产能预测方法通常是对某种特定类型油气藏在一定假设条件下的理论推导或模拟,而不同类型油气藏所适用的理论公式或计算方法不尽相同。因此,基于方程的产能预测方法具有很大的局限性。
现有的基于全连接神经网络等传统机器学习技术开展的油气井产能检测研究,则将有效储层厚度内测井曲线的统计平均值作为输入,通过对数值数据训练机器学习模型并预测得到检测结果,忽视了测井曲线所反映的储层的结构性变化,预测精度不高。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供油气产能检测方法及系统。
本发明解决上述技术问题的技术方案如下:
一种油气产能检测方法,包括:
获取待检测的油气井的检测数据,根据所述检测数据的类型,将所述检测数据分为数值数据、类别数据和结构化数据;
对所述类别数据进行定量化转换,得到类别数值数据;
将所述数值数据、所述类别数值数据和所述结构化数据分别输入到预设的混合神经网络模型中;
通过所述混合神经网络模型的多层感知机网络对所述数值数据和所述类别数值数据进行处理,得到第一输出结果;
通过所述混合神经网络模型的卷积神经网络对所述结构化数据进行处理,得到第二输出结果;
通过所述混合神经网络模型的全连接层和激活函数对所述第一输出结果和所述第二输出结果进行处理,得到所述油气井的产能。
本发明的有益效果是:本发明提供的油气产能检测方法,适用于油气产能这种反映有效储层厚度范围内累积效应的变量的评价,能够在综合考虑多种因素的基础上,挖掘有效储层段数据的空间变化与关联性,有助于实现数据的深度挖掘。本发明考虑数值、类别及结构化等多种格式数据作为输入,构建基于多层感知机与卷积神经网络的深度学习模型,能够对数值数据、类别数据及结构化数据进行综合处理,并且考虑了测井曲线连续变化所反映出来的储层结构性特征,能够充分挖掘不同类别数据的内在特征,进而准确建立输入数据与油气产能之间复杂的非线性映射关系,提高油气产能预测的精度与广泛适用性。
本发明解决上述技术问题的另一种技术方案如下:
一种油气产能检测系统,包括:
油气井检测子系统,用于获取待检测的油气井的检测数据,根据所述检测数据的类型,将所述检测数据分为数值数据、类别数据和结构化数据;
数据处理子系统,用于对所述类别数据进行定量化转换,得到类别数值数据;
并将所述数值数据、所述类别数值数据和所述结构化数据分别输入到预设的混合神经网络模型中;
并通过所述混合神经网络模型的多层感知机网络对所述数值数据和所述类别数值数据进行处理,得到第一输出结果;
并通过所述混合神经网络模型的卷积神经网络对所述结构化数据进行处理,得到第二输出结果;
并通过所述混合神经网络模型的全连接层和激活函数对所述第一输出结果和所述第二输出结果进行处理,得到所述油气井的产能。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明油气产能检测方法的实施例提供的流程示意图;
图2为本发明油气产能检测方法的实施例提供的检测结果对比示意图;
图3为本发明油气产能检测方法的实施例提供的混合神经网络模型结构示意图;
图4为本发明油气产能检测系统的实施例提供的结构框架图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明油气产能检测方法的实施例提供的流程示意图,该油气产能检测方法包括:
S1,获取待检测的油气井的检测数据,根据检测数据的类型,将检测数据分为数值数据、类别数据和结构化数据。
需要说明的是,待检测的油气井可以为储层未经改造的油气井,那么对于其进行检测获取的就是自然产能,检测数据可以包括孔隙度、渗透率、岩性和油气饱和度等物性参数。待检测的油气井也可以为储层经改造的油气井,那么对于其进行检测获取的就是改造产能,水力压裂是常用的储层改造技术,那么在上述检测数据基础之上,检测数据还可以包括压裂级数、破裂压力、注砂量和排液量等施工参数。
应理解,储层未经改造的油气井自然产能通常较低,尤其对于低孔低渗储层,只有经过储层改造后才能提高单井产量和稳产有效期,才具有经济可采价值,因此,检测改造产能意义比较大,以下说明中也以改造产能为例,进行说明。
应理解,获取油气井的检测数据的方式可以为地质、测井、录井和压裂等多种方式,获取的检测数据具体包括哪些,可以根据不同油气井的实际情况确定,例如,检测数据可以包含储层埋深、厚度、孔隙度、渗透率、岩性、油气饱和度、速度、密度、岩石脆性、地层应力、孔隙压力等地质参数,以及压裂施工过程中的射孔厚度、射孔层数、压裂级数、破裂压力、注砂量、排液量等工程参数。
各种类型参数的呈现方式也有不同,有些物性参数以结构化形式的测井曲线保存,有些参数表现为数值型变量,另外一些则可能为定性类别型变量。
例如,厚度、孔隙度和渗透率等表现为数值型变量,岩性、流体类型和沉积相等通常表现为类别型变量。
以结构化数据的方式表征测井曲线,能够充分利用测井曲线所反映的目标层段储层性质的空间关联性与结构性变化。
S2,对类别数据进行定量化转换,得到类别数值数据。
应理解,类别型变量是对参数的定性描述,因此其无法直接进行计算,因此,通过对类别数据进行定量化转换,能够将类别数据的数据类型转换为数值数据,从而实现结合了类别数据的产能检测。
优选地,可以通过one-hot编码方法,将类别数据转换成数值数据。
可选地,可以将分别值映射到整数值,然后将整数值表示为二进制向量。
例如,地层的岩性可以包括:沉积岩、岩浆岩和变质岩,那么当检测的某油气井的岩性为沉积岩时,可以将沉积岩映射为1,对应的二进制向量为100;当检测的某油气井的岩性为变质岩时,可以将变质岩映射为3,对应的二进制向量为001,从而将类别数据转换为类别数值数据。
需要说明的是,油气勘探领域中,这些油气井的类别数据也会对油气井的产能产生重要影响,然而,由于类别数据在定量计算中难以表征,研究人员通常将其忽略或无法充分挖掘其有效特征,导致油气井的产能预测精确度不高,而本实施例中通过将岩性等类别数据转换为数值数据,一并作为预测产能的数据输入,可以有效提高产能检测的精确度。
S3,将数值数据、类别数值数据和结构化数据分别输入到预设的混合神经网络模型中。
需要说明的是,结构化数据通常指的是测井曲线,应理解,为了提高检测效率,通常可以选取有效油气储层的深度范围,获取目标深度段的测井曲线。
应理解,混合神经网络模型预先经过训练,包括多层感知机网络、卷积神经网络、全连接层和激活函数。多层感知机网络用于处理数值数据,包括由类别数据转换而来的类别数值数据,卷积神经网络用于处理结构化数据,多层感知机网络和卷积神经网络分别对输入的数据进行处理后,两个模型并联在一起,全连接层与多层感知机网络和卷积神经网络的输出端连接,根据数值数据、类别数值数据和结构化数据得到综合评价的油气井产能。
需要说明的是,根据实际应用中获取的训练集中目标产能数据的形式的不同,如目标产能数据的形式为连续的产量数值,本发明可以实现产量预测;如目标产能数据的形式为离散的产能级别,本发明可以实现产能级别预测。
S4,通过混合神经网络模型的多层感知机网络对数值数据和类别数值数据进行处理,得到第一输出结果。
S5,通过混合神经网络模型的卷积神经网络对结构化数据进行处理,得到第二输出结果。
S6,通过混合神经网络模型的全连接层和激活函数对第一输出结果和第二输出结果进行处理,得到油气井的产能。
下面以一个实例进行说明。
例如,以一个含有180口有效井的工区开展产能预测。对该井进行探测,通过多种探测手段获取检测数据,将检测到的井径、声波、伽玛、自然电位、泥岩含量和深、浅侧向电阻率共7条不同测井曲线作为结构化数据输入到卷积神经网络中,将埋深、层厚、射孔厚度及层数作为数值数据输入到多层感知机网络中,将岩性作为类别数据,经过定量化转换后输入到多层感知机网络中,将油的累计产量作为预测目标。预测精度如图2所示。
图2为真实产能与预测产能交汇图,左图为采用全连接神经网络方法的预测结果,右图为采用本发明的预测结果,其中全连接神经网络方法需要将测井曲线统计均值作为输入。从图中可以看出,传统神经网络方法预测的产能较真实产能偏差较大,而本发明精度更高。
本实施例提供的油气产能检测方法,适用于油气产能这种反映有效储层厚度范围内累积效应的变量的评价,能够在综合考虑多种因素的基础上,挖掘有效储层段数据的空间变化与关联性,有助于实现数据的深度挖掘。本发明考虑数值、类别及结构化等多种格式数据作为输入,构建基于多层感知机与卷积神经网络的深度学习模型,能够对数值数据、类别数据及结构化数据进行综合处理,并且考虑了测井曲线连续变化所反映出来的储层结构性特征,能够充分挖掘不同类别数据的内在特征,进而准确建立输入数据与油气产能之间复杂的非线性映射关系,提高油气产能预测的精度与广泛适用性。
通过将测井曲线类的结构化参数与岩性、厚度地质参数及压裂施工参数等数值或类别型参数作为输入,结构化输入能够考虑产层段测井曲线的空间变化,富含更丰富真实的产层信息;数值或类别型参数的同时考虑保证了深度学习特征的多样性与全面性。地质与工程参数的同时考虑,既体现了油气储层的产能潜力,又考虑了产能的动态影响因素。
同时,基于数据驱动与深度学习,该方法实现了端到端的深度学习训练,无需繁琐或不确定性的人为处理或分步处理,深度学习得到的模型具有良好的泛化能力,能够综合考虑多种来源多种类型的输入参数,适用于不同类型油气藏不同阶段的产能评价,具有很好的广泛适用性。
可选地,在一些实施例中,获取待检测的油气井的检测数据,根据检测数据的类型,将检测数据分为数值数据、类别数据和结构化数据,具体包括:
对待检测的油气井进行测量,获取测量数据、定性描述数据和测井曲线,其中,测量数据为数值数据,定性描述数据为类别数据,测井曲线为结构化数据。
可选地,在一些实施例中,获取待检测的油气井的检测数据之前,还包括:
构建混合神经网络模型;
获取训练集;
根据训练集对混合神经网络模型进行训练。
可选地,在一些实施例中,构建混合神经网络模型,具体包括:
设置第一输入层和第二输入层,第一输入层用于输入数值数据和类别数据,与多层感知机网络的输入连接;第二输入层用于输入结构化数据,与卷积神经网络的输入连接;多层感知机网络的输出与卷积神经网络的输出并联,与全连接层的输入连接,全连接层的输出与激活函数连接,激活函数与输出层连接。
如图3所示,混合神经网络模型可以包括多层感知机网络、卷积神经网络、全连接层和激活函数。多层感知机网络用于处理数值数据,包括由类别数据转换而来的类别数值数据,卷积神经网络用于处理结构化数据,多层感知机网络和卷积神经网络分别对输入的数据进行处理后,两个模型并联在一起,全连接层与多层感知机网络和卷积神经网络的输出端连接,根据数值数据、类别数值数据和结构化数据得到综合评价的油气井产能。
例如,多层感知机网络可以包含多个神经网络全连接层,每一层的数学表达式如下所示:
y=f(WT·X+b)
其中,f表示非线性激活函数,W表示权系数向量,X表示输入的特征向量,b为偏差值。
例如,卷积神经网络可以包含多个卷积网络单元,能够有效挖掘结构化数据的内在特征。每个单元可以包含三个部分,卷积层、池化层及激活函数。对于本发明所用的结构化测井数据,可以采用一维卷积运算:
其中,d与k分别表示数据与卷积核,q为卷积核大小。
通过卷积运算,能够考虑数据空间关联性,有效提取数据特征。
池化层的应用能够实现数据下采样,有效降低神经网络中的权系数个数,避免训练的过拟合。
激活函数能够实现不同卷积层之间的非线性映射,是构建复杂非线性函数的关键,本发明可以选择sigmoid、tanh、ReLU等激活函数,其表达式如下所示:
综上,可以令向量XN、XS与Y分别表示数值数据(包括类别数值数据)、结构化数据与油气产量,对该模型进行训练的训练数据集可以表示为{Xi N,Xi S,Yi},i从1到M,表示样本的个数,即油气井的个数。
本发明构建的深度学习网络模型所表示的非线性映射函数表示为F,F实际上由多层全连接层、卷积层、池化层及激活函数以串并联的方式构成,则油气产能预测的混合神经网络模型可以概括为:
可选地,在一些实施例中,获取训练集,具体包括:
获取多个油气井的油气数据和产能,油气数据包括:油气数值数据、油气类别数据和油气测井曲线;
将每个油气井的油气数据分别与当前油气井的产能进行对应,得到训练集,并根据油气井与产能层段的数量确定训练集的样本数,根据油气数值数据、油气类别数据和油气测井曲线包含的数据的种类,确定训练集的特征数。
应理解,可以按照预定的比例将得到的数据分为训练集和测试集,例如,可以将80%的数据作为训练集,剩下20%的数据作为测试集,测试数据可以用于模型效果的质控与评价。
可选地,在一些实施例中,获取多个油气井的油气数据和产能之后,还包括:
对全部油气数值数据构成的训练集进行数据清理,当第一样本中存在无效数据、异常数据或数据缺失时,剔除第一样本,其中,第一样本为训练集中任意一个样本;
判断数据清理后的所述训练集中样本的数量,当样本的数量少于预设样本数量时,剔除指定的特征数据,重新获取训练集并进行数据清理。
应理解,为保证数据样本的准确性与完备性,需要根据目标工区所包含的多口油气井的数据测量情况,按照取交集的方式准备可用的油气井样本及多种特征数据,当某些样本的某些数据不存在、为无效值或异常值时,需要将当前样本过滤掉,如果数据样本数较少,可以剔除上述无效或异常数据,重新获取训练集再进行数据清理,以保证数据的有效性。
可选地,在一些实施例中,获取多个油气井的油气数据和产能之后,还包括:
通过one-hot编码方法对油气类别数据进行定量化转换,将其数据类型转换为数值数据。
可选地,在一些实施例中,获取多个油气井的油气数据和产能之后,还包括:
判断每个样本中的测井曲线采样数是否一致,当每个样本中的测井曲线采样数不一致时,选择预设数量的采样数,对不满足条件的测井曲线进行重采样处理。
应理解,对于结构化数据,需要保证每口井每条测井曲线的采样个数相等,实际上每口井的有效厚度段一般不一致,因此要进行重采样处理。
应理解,为了保证深度学习训练的精度与效率,还可以对上述输入数据开展归一化处理,以避免数据本身尺度不一致对模型效果的影响。
可选地,在一些实施例中,根据训练集对混合神经网络模型进行训练,具体包括:
构建目标函数;
将训练集输入到目标函数中,通过多次迭代梯度下降的方式求解目标函数,通过网格搜索的方式对超参数进行优选。
可选地,在一些实施例中,当油气产能为连续的产能数据时,目标函数为:
当油气产能为离散的产能数据时,所述目标函数为:
其中,MSE为均方误差,CE为交叉熵函数,M为油气井的数量,F为混合神经网络模型的非线性映射函数,XN为数值数据和类别数值数据,XS为结构化数据,在当油气产能为连续的产能数据的目标函数中,Y为油气产量,在当油气产能为离散的产能数据的目标函数中,Y为油气产能级别。
应理解,混合神经网络模型最终效果的表现除受数据影响外,还受到许多其他因素的影响,例如网络层数、结点个数、卷积核个数、卷积核尺寸、梯度下降学习率等。为了保证网络模型效果,还可以通过网格搜索的方式对多种重要的超参数进行优选。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部可选实施方式。
如图4所示,为本发明油气产能检测系统的实施例提供的结构框架图,该油气产能检测系统包括:
油气井检测子系统1,用于获取待检测的油气井的检测数据,根据检测数据的类型,将检测数据分为数值数据、类别数据和结构化数据;
数据处理子系统2,用于对类别数据进行定量化转换,得到类别数值数据;
并将数值数据、类别数值数据和结构化数据分别输入到预设的混合神经网络模型中;
并通过混合神经网络模型的多层感知机网络对数值数据和类别数值数据进行处理,得到第一输出结果;
并通过混合神经网络模型的卷积神经网络对结构化数据进行处理,得到第二输出结果;
并通过混合神经网络模型的全连接层和激活函数对第一输出结果和第二输出结果进行处理,得到油气井的产能。
可选地,在一些实施例中,油气井检测子系统1具体用于对待检测的油气井进行测量,获取测量数据、定性描述数据和测井曲线,其中,测量数据为数值数据,定性描述数据为类别数据,测井曲线为结构化数据。
可选地,在一些实施例中,还包括:模型训练子系统,用于构建混合神经网络模型;获取训练集;根据训练集对混合神经网络模型进行训练。
可选地,在一些实施例中,模型训练子系统具体用于设置第一输入层和第二输入层,第一输入层用于输入数值数据和类别数据,与多层感知机网络的输入连接;第二输入层用于输入结构化数据,与卷积神经网络的输入连接;多层感知机网络的输出与卷积神经网络的输出并联,与全连接层的输入连接,全连接层的输出与激活函数连接,激活函数与输出层连接。
可选地,在一些实施例中,模型训练子系统具体用于获取多个油气井的油气数据和产能,油气数据包括:油气数值数据、油气类别数据和油气测井曲线;将每个油气井的油气数据分别与当前油气井的产能进行对应,得到训练集,并根据油气井与产能层段的数量确定训练集的样本数,根据油气数值数据、油气类别数据和油气测井曲线包含的数据的种类,确定训练集的特征数。
可选地,在一些实施例中,模型训练子系统具体用于对全部所述油气数值数据构成的训练集进行数据清理,当第一样本中存在无效数据、异常数据或数据缺失时,剔除所述第一样本,其中,第一样本为所述训练集中任意一个样本;判断数据清理后的所述训练集中样本的数量,当样本的数量少于预设样本数量时,剔除指定的特征数据,重新获取训练集并进行数据清理。
可选地,在一些实施例中,模型训练子系统具体用于通过one-hot编码方法对油气类别数据进行定量化转换,将其数据类型转换为数值数据。
可选地,在一些实施例中,模型训练子系统具体用于判断每个样本中的测井曲线采样数是否一致,当每个样本中的测井曲线采样数不一致时,选择预设数量的采样数,对不满足条件的测井曲线进行重采样处理。
可选地,在一些实施例中,模型训练子系统具体用于构建目标函数;将训练集输入到目标函数中,通过多次迭代梯度下降的方式求解目标函数,通过网格搜索的方式对超参数进行优选。
可选地,在一些实施例中,当油气产能为连续的产能数据时,目标函数为:
当油气产能为离散的产能数据时,所述目标函数为:
其中,MSE为均方误差,CE为交叉熵函数,M为油气井的数量,F为混合神经网络模型的非线性映射函数,XN为数值数据和类别数值数据,XS为结构化数据,Y为油气产量或油气产能级别。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是,上述各实施例是与在先方法实施例对应的产品实施例,对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明,在此不再赘述。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,步骤的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个步骤可以结合或者可以集成到另一个步骤,或一些特征可以忽略,或不执行。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种油气产能检测方法,其特征在于,包括:
获取待检测的油气井的检测数据,根据所述检测数据的类型,将所述检测数据分为数值数据、类别数据和结构化数据;
对所述类别数据进行定量化转换,得到类别数值数据;
将所述数值数据、所述类别数值数据和所述结构化数据分别输入到预设的混合神经网络模型中;
通过所述混合神经网络模型的多层感知机网络对所述数值数据和所述类别数值数据进行处理,得到第一输出结果;
通过所述混合神经网络模型的卷积神经网络对所述结构化数据进行处理,得到第二输出结果;
通过所述混合神经网络模型的全连接层和激活函数对所述第一输出结果和所述第二输出结果进行处理,得到所述油气井的产能。
2.根据权利要求1所述的油气产能检测方法,其特征在于,获取待检测的油气井的检测数据,根据所述检测数据的类型,将所述检测数据分为数值数据、类别数据和结构化数据,具体包括:
对待检测的油气井进行测量,获取测量数据、定性描述数据和测井曲线,其中,所述测量数据为数值数据,所述定性描述数据为类别数据,所述测井曲线为结构化数据。
3.根据权利要求1所述的油气产能检测方法,其特征在于,获取待检测的油气井的检测数据之前,还包括:
构建混合神经网络模型;
获取训练集;
根据所述训练集对所述混合神经网络模型进行训练。
4.根据权利要求3所述的油气产能检测方法,其特征在于,构建混合神经网络模型,具体包括:
设置第一输入层和第二输入层,第一输入层用于输入数值数据和类别数据,与多层感知机网络的输入连接;第二输入层用于输入结构化数据,与卷积神经网络的输入连接;多层感知机网络的输出与卷积神经网络的输出并联,与全连接层的输入连接,全连接层的输出与激活函数连接,激活函数与输出层连接。
5.根据权利要求3所述的油气产能检测方法,其特征在于,获取训练集,具体包括:
获取多个油气井的油气数据和产能,所述油气数据包括:油气数值数据、油气类别数据和油气测井曲线;
将每个油气井的油气数据分别与当前油气井的产能进行对应,得到训练集,并根据油气井与产能层段的数量确定训练集的样本数,根据油气数值数据、油气类别数据和油气测井曲线包含的数据的种类,确定训练集的特征数。
6.根据权利要求5所述的油气产能检测方法,其特征在于,获取多个油气井的油气数据和产能之后,还包括:
对全部所述油气数值数据构成的训练集进行数据清理,当第一样本中存在无效数据、异常数据或数据缺失时,剔除所述第一样本,其中,第一样本为所述训练集中任意一个样本;
判断数据清理后的所述训练集中样本的数量,当样本的数量少于预设样本数量时,剔除指定的特征数据,重新获取训练集并进行数据清理。
7.根据权利要求5所述的油气产能检测方法,其特征在于,获取多个油气井的油气数据和产能之后,还包括:
判断每个样本中的测井曲线采样数是否一致,当每个样本中的测井曲线采样数不一致时,选择预设数量的采样数,对不满足条件的测井曲线进行重采样处理。
8.根据权利要求3至7中任一项所述的油气产能检测方法,其特征在于,根据所述训练集对所述混合神经网络模型进行训练,具体包括:
构建目标函数;
将所述训练集输入到所述目标函数中,通过多次迭代梯度下降的方式求解所述目标函数,通过网格搜索的方式对超参数进行优选。
10.一种油气产能检测系统,其特征在于,包括:
油气井检测子系统,用于获取待检测的油气井的检测数据,根据所述检测数据的类型,将所述检测数据分为数值数据、类别数据和结构化数据;
数据处理子系统,用于对所述类别数据进行定量化转换,得到类别数值数据;
并将所述数值数据、所述类别数值数据和所述结构化数据分别输入到预设的混合神经网络模型中;
并通过所述混合神经网络模型的多层感知机网络对所述数值数据和所述类别数值数据进行处理,得到第一输出结果;
并通过所述混合神经网络模型的卷积神经网络对所述结构化数据进行处理,得到第二输出结果;
并通过所述混合神经网络模型的全连接层和激活函数对所述第一输出结果和所述第二输出结果进行处理,得到所述油气井的产能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917091.8A CN110671092A (zh) | 2019-09-26 | 2019-09-26 | 油气产能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917091.8A CN110671092A (zh) | 2019-09-26 | 2019-09-26 | 油气产能检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110671092A true CN110671092A (zh) | 2020-01-10 |
Family
ID=69079302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910917091.8A Pending CN110671092A (zh) | 2019-09-26 | 2019-09-26 | 油气产能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110671092A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035582A (zh) * | 2020-08-28 | 2020-12-04 | 光大科技有限公司 | 结构化数据的分类方法及装置、存储介质、电子装置 |
CN112228054A (zh) * | 2020-11-06 | 2021-01-15 | 中国石油大学(北京) | 基于卷积神经网络的页岩气产量确定方法、装置和设备 |
CN113537544A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的圈闭有效性评价方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060092766A1 (en) * | 2004-11-03 | 2006-05-04 | Halliburton Energy Services, Inc. | Method and system for predicting production of a well |
US20150039544A1 (en) * | 2013-07-31 | 2015-02-05 | Schlumberger Technology Corporation | Resource production forecasting |
CN105868508A (zh) * | 2016-04-28 | 2016-08-17 | 西南石油大学 | 一种基于气测录井信息的产能定量预测方法 |
CN108138555A (zh) * | 2015-02-23 | 2018-06-08 | 奈克森能量无限责任公司 | 预测储层性质的方法、系统及设备 |
US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
US20180335538A1 (en) * | 2017-05-22 | 2018-11-22 | Schlumberger Technology Corporation | Resource Production Forecasting |
US10364662B1 (en) * | 2015-06-08 | 2019-07-30 | DataInfoCom USA, Inc. | Systems and methods for analyzing resource production |
-
2019
- 2019-09-26 CN CN201910917091.8A patent/CN110671092A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060092766A1 (en) * | 2004-11-03 | 2006-05-04 | Halliburton Energy Services, Inc. | Method and system for predicting production of a well |
US20150039544A1 (en) * | 2013-07-31 | 2015-02-05 | Schlumberger Technology Corporation | Resource production forecasting |
CN108138555A (zh) * | 2015-02-23 | 2018-06-08 | 奈克森能量无限责任公司 | 预测储层性质的方法、系统及设备 |
US10364662B1 (en) * | 2015-06-08 | 2019-07-30 | DataInfoCom USA, Inc. | Systems and methods for analyzing resource production |
US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
CN105868508A (zh) * | 2016-04-28 | 2016-08-17 | 西南石油大学 | 一种基于气测录井信息的产能定量预测方法 |
US20180335538A1 (en) * | 2017-05-22 | 2018-11-22 | Schlumberger Technology Corporation | Resource Production Forecasting |
Non-Patent Citations (4)
Title |
---|
刘锡健等: "偏最小二乘神经网络在储层识别和产能预测中的应用――以陕甘宁盆地中部气田马五_1储层为例", 《矿物岩石》 * |
庄华等: "BP神经网络模型在朝长地区扶杨油层压裂产能预测中的应用", 《世界地质》 * |
潘保芝等: "致密砂岩气层压裂产能及等级预测方法", 《吉林大学学报(地球科学版)》 * |
谭成仟等: "神经网络在辽河滩海地区油气储层产能预测中的应用", 《西安石油学院学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537544A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的圈闭有效性评价方法 |
CN112035582A (zh) * | 2020-08-28 | 2020-12-04 | 光大科技有限公司 | 结构化数据的分类方法及装置、存储介质、电子装置 |
CN112228054A (zh) * | 2020-11-06 | 2021-01-15 | 中国石油大学(北京) | 基于卷积神经网络的页岩气产量确定方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
CN110671092A (zh) | 油气产能检测方法及系统 | |
CN110284873B (zh) | 一种油井储集性质的检测方法及检测装置 | |
CN111832227B (zh) | 基于深度学习的页岩气饱和度确定方法、装置和设备 | |
CN111027882A (zh) | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 | |
Wang et al. | Fast history matching and optimization using a novel physics-based data-driven model: an application to a diatomite reservoir | |
CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
CN111665560A (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
CN114117881A (zh) | 一种出砂风险预测方法及系统 | |
CN114818076B (zh) | 一种基于机器学习的断层封闭烃柱高度评价方法 | |
CN114638300A (zh) | 一种识别页岩油气藏“甜点”的方法、装置及存储介质 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN114065909A (zh) | 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法 | |
CN113608265A (zh) | 一种基于深度混合神经网络的储层预测方法 | |
Gao et al. | Prediction of fracture density in a gas reservoir using robust computational approaches | |
CN116402226A (zh) | 一种基于改进卷积神经网络的高含水致密砂岩储层产能智能预测方法 | |
CN115110936A (zh) | 确定致密油水平井分簇射孔位置的方法与装置 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
CN117541070B (zh) | 基于机器学习与博弈论的油井多层合采产量劈分方法 | |
CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
CN112541523B (zh) | 一种泥质含量计算方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200110 |